专题课程+案例实战，助力金融机构数字化能力提升

课程介绍： 本专题课程内容涉及Python基础知识、数据分析基础（Pandas库）、数据清洗优化技巧与爬虫数据可视化、金融大数据挖掘方法及爬虫技术、Selenium库等多方面Python大数据挖掘相关内容，并且大部分章节都配有商业实战案例供读者学习，全面讲解了金融数据的获取、处理、分析及结果呈现。主要分5个章节。

第一章主要介绍Python的基础知识，从如何安装Python并成功运行成功第一行Python代码开始，到Python基础常识、最重要的三大语句、Python函数与模块等，为之后的进阶知识做铺垫，学完Python基础知识点后，将通过5个综合案例实战来体会Python的实际应用。

第二章为数据分析基础篇，主要介绍Python数据分析基础以及相关的一些商业案例实战，主要将介绍数据分析的武器Numpy & Pandas库（重点是Pandas库），并将介绍如何通过pandas库实现常见的数据分析与办公自动化，最后通过一个商业案例实战 - 2020德勤人工智能组的笔试题熟悉Python数据分析与处理的技巧。

第三章为爬虫基础篇（舆情监控+舆情评分，上市公司舆情监控（券商）/发债企业(银行)舆情监控系统搭建 + 舆情评分系统模型），主要介绍Python爬虫的基础知识，并对百度新闻进行深度挖掘，包括批量获取多个公司的百度新闻、自动生成数据报告、自动异常处理、24小时实时数据挖掘、批量爬取多个网页等多个知识点，从而初步搭建简易舆情监控系统。之后将讲解搜狐新闻 & 新浪财经 & 新浪微博 & 中国证券报等网站的数据挖掘，深入熟悉了解Python商业爬虫相关知识点。之后我们会讲解常见的数据清洗优化技巧：数据清洗、日期统一、文本内容深度过滤、数据乱码问题处理，之后还会通过jieba实现爬虫数据中文分词并绘制相关词云图。最后会介绍一个完整的舆情监控评分系统，使大家更好的熟悉爬虫的文本分析技巧。

第四章为爬虫进阶篇(主要针对券商 – 上市公司研究)，将讲解爬虫的进阶知识并通过多个商业案例实战来巩固相关知识点，首先我们将讲解一个爬虫利器：Selenium库，然后我们会通过多个金融商业案例实战来体验金融数据挖掘的魅力：新浪财经股票实时数据挖掘实战、东方财富网数据（股吧、资讯、研报）挖掘实战、上海证券交易所公开数据获取实战、巨潮资讯网数据挖掘实战、股权穿透Python代码实现、淘宝销量数据获取（消费类上市公司研究）、有趣的爬虫实战、反爬初窥 - IP代理应对IP地址反爬（微信推文IP代理反爬实战）等多个综合案例实战。

第五章为练习作业及考试部分，巩固之前学习到的相关数据挖掘与数据分析处理的相关知识点。

课程介绍： 本专题课程内容涉及Python基础知识、数据分析基础（Pandas库）、数据清洗优化技巧与爬虫数据可视化、Matplotlib库、量化投资和财务建模等多方面Python数据挖掘及数据分析相关内容，并且大部分章节都配有商业实战案例供读者学习，全面讲解了金融数据的获取、处理、分析及结果呈现。主要分5个章节。

第一章主要介绍Python的基础知识，从如何安装Python并成功运行成功第一行Python代码开始，到Python基础常识、最重要的三大语句、Python函数与模块等，为之后的进阶知识做铺垫，学完Python基础知识点后，将通过5个综合案例实战来体会Python的实际应用。

第二章为数据分析基础篇，主要介绍Python数据分析基础以及相关的一些商业案例实战，主要将介绍数据分析的武器Numpy & Pandas库（重点是Pandas库），并将介绍如何通过pandas库实现常见的数据分析与办公自动化，最后通过一个商业案例实战 - 2020德勤人工智能组的笔试题熟悉Python数据分析与处理的技巧。

第三章为数据分析进阶篇，主要通过讲解多个金融数据分析的商业案例实战，来更加深入地了解在金融分析领域，如何通过Python实现智能的数据分析，我们将首先讲解数据可视化的技巧，然后将讲解4个综合案例（真实金融业实际大案例），包括：舆情评分与股价相关性分析、资产管理部股票数据合并、资金雷达合并整合数据以及A股上市公司前10大控股股东分析，通过这些案例的学习与练习，更加熟练的掌握Python数据分析的方法与技巧。

第四张为量化投资基础（针对券商-为以后更加全面的量化投资讲解做铺垫），主要讲解量化投资和财务建模的初步知识点，包括如何通过外部接口Tushare库快速地获取股票、宏观经济指标、行业等相关投资数据，并将讲解如何快速实现股票数据的可视化呈现，最终将通过2个案例（技术面+基本面）实战巩固并练习前面的知识点：股票创历史新高&新低的探索 和 基于基本面分析的量化策略。

第五章为练习作业及考试部分，巩固之前学习到的相关数据挖掘与数据分析处理的相关知识点。

课程介绍： 本专题课程内容主要以机器学习模型为主，涉及线性回归模型、逻辑回归模型、决策树模型、以及集成模型：随机森林模型、AdaBoost模型、XGBoost模型、LightGBM模型、特征工程、数据聚类分群、智能推荐系统模型、关联分析模型，涉及银行客户价值预测、客户流失预警模型、银行客户违约预测模型、股票涨跌预测模型、银行信用卡精准营销模型、金融反欺诈模型、信用评分卡模型、金融产品智能推荐模型、银行客户分群模型、金融产品交叉销售模型等多个实战案例模型。

第一章主要介绍Python的基础知识，从如何安装Python并成功运行成功第一行Python代码开始，到Python基础常识、最重要的三大语句、Python函数与模块等，为之后的进阶知识做铺垫，学完Python基础知识点后，将通过5个综合案例实战来体会Python的实际应用。

第二章为数据分析基础篇，主要介绍Python数据分析基础以及相关的一些商业案例实战，主要将介绍数据分析的武器Numpy & Pandas库（重点是Pandas库），并将介绍如何通过pandas库实现常见的数据分析与办公自动化，最后通过一个商业案例实战 - 2020德勤人工智能组的笔试题熟悉Python数据分析与处理的技巧。

第三章为基础机器学习模型，主要讲解基础的机器学习模型，为之后的集成学习模型做铺垫，包括：线性回归模型、逻辑回归模型、决策树模型等。与此同时，我们将介绍多个实战案例来巩固相关知识点，并指导如何通过Python实现相关代码模型，实际案例包括：年龄与收入的线性回归模型、银行客户价值预测模型、客户流失预警模型、员工离职预测模型、银行客户违约预测模型、手写数字识别模型等内容。此外，我们还将介绍如何对模型进行评估（线性回归和逻辑回归模型中讲），以及如何进行模型参数调优（决策树模型中讲）。

第四章为集成机器学习模型，主要讲解进阶的机器学习模型：集成学习模型，这一版块是本课程的重点内容，因为在现实的商业案例实战中，往往用的便是集成机器学习模型。这一版块我们将讲解经典的集成模型：随机森林模型、AdaBoost模型、GBDT模型，以及新兴的集成模型：XGBoost模型与LightGBM模型。与此同时，我们将介绍多个实战案例来巩固相关知识点，并指导如何通过Python实现相关代码模型，实际案例包括：股票涨跌预测模型搭建（初级）、银行信用卡精准营销模型、银行金融反欺诈模型案例、产品定价模型、银行客户违约模型升级版、银行信用评分模型等内容。

第五章为特征工程与数据处理，主要讲解机器学习中非常重要的一个步骤：特征工程（或者叫数据预处理），这一版块也是本课程的重点内容，因为在现实的商业案例实战中，好的数据输入才能有好的模型结果。这一版块我们将讲解如何对非数值类型数据处理；如何对重复值、缺失值及异常值处理；如何进行数据标准化；如何进行数据分箱；如何根据WOE值与IV值进行特征筛选；如何分析与处理多重共线性问题；如何针对数据样本不均衡的问题进行过采样与欠采样。此外，我们还将介绍如何通过Python自动进行特征衍生与生成，简化建模数据处理过程。

第六章为非监督式学习模型，主要讲解机器学习里的一个独特内容：非监督式学习模型，这部分内容和之前的内容的区别在于其目标变量的缺失，对于这类数据有独有的建模方法，该方法就叫做非监督式学习模型，这里我们会讲解数据聚类与分群模型、智能推荐系统、关联分析模型。并通过多个案例来巩固相关知识点，包括：银行客户分群模型、金融产品智能推荐模型、金融产品交叉销售模型等。最后一节课我们将讲解神经网络模型（属于之前讲的监督式学习模型），为之后的深度学习模型的讲解做铺垫。

第七章为练习作业及考试部分，巩固之前学习到的相关数据挖掘与数据分析处理的相关知识点。